《面向超多目標最佳化的分解進化算法》是依託香港城市大學深圳研究院，由張青富擔任項目負責人的面上項目。
基本介紹
- 中文名：面向超多目標最佳化的分解進化算法
- 項目類別：面上項目
- 項目負責人：張青富
- 依託單位：香港城市大學深圳研究院
項目摘要,結題摘要,
項目摘要
在許多科學研究與工程套用領域，許多最佳化問題需考慮三個以上相互衝突的目標函式，忽視其中任何一個目標就有可能帶來嚴重的負面影響。這些問題被稱為超多目標最佳化問題。多目標進化算法是目前求解兩個或三個目標最佳化問題的主流方法，但是隨著目標個數的增加，這些算法的性能常會急劇下降。超多目標最佳化研究尚處於起步階段，它是目前多目標進化研究領域最重要和最富有挑戰性的課題之一。國內外的一些初步研究表明，分解進化算法是求解超多目標最佳化的最有潛力的途徑之一。本項目將在超多目標最佳化測試題構造、算法評估指標設計、適合於超多目標分解進化算法的分解技術，超多目標分解進化算法中的動態計算資源分配方法以及權重調整策略等方面展開深入研究。本項目還將結合領域知識求解汽車側面碰撞超多目標最佳化問題。本項目的順利實施，一方面將解決超多目標最佳化研究中的一些基本問題；另一方面將提供求解超多目標最佳化問題的有效分解進化算法。
結題摘要
在許多科學研究與工程套用領域，許多最佳化問題需考慮三個以上相互衝突的目標函式，忽視其中任何一個目標就有可能帶來嚴重的負面影響。這些問題被稱為超多目標最佳化問題。多目標進化算法是目前求解兩個或三個目標最佳化問題的主流方法，但是隨著目標個數的增加，這些算法的性能常會急劇下降。分解進化算法是求解超多目標最佳化的最有潛力的途徑之一。本項目在超多目標最佳化測試題構造、算法評估指標設計、適合於超多目標分解進化算法的分解技術，超多目標分解進化算法中的動態計算資源分配方法以及權重調整策略等方面展開了深入研究。取得的主要重要結果包括：（1）提出了一種基於格線的約束分解方法（CDG），該方法具有良好的種群多樣性保持能力，因而對Pareto前沿的形狀具有較好的魯棒性。同時，各個子問題的約束區間構成了一個格線系統，這個格線系統能夠很直觀地定義解的鄰居結構，從而方便進行限制繁殖操作。在CDG的基礎上，我們提出了一種基於格線約束分解的多目標進化算法（CDG-MOEA）。（2）提出了MOEA/D-SAS，不同的解可被關聯到相同的子問題，一些子問題甚至可以沒有解與之關聯。同時，不同於其它算法，我們使用了基於分解的排序（DBS）和基於角度的選擇（ABS）來平衡算法的收斂性和多樣性。（3）提出了一組具有崎嶇特性的多目標最佳化測試題來檢驗算法的性能。不同於以往大多數的多目標最佳化測試題，這組測試題更多地考驗算法保持種群多樣性的能力。（4）提出了一種新的分解方法一一約束分解方法。對比分析了約束分解方法與傳統分解方法在一組測試問題上的差異。（5）一種基於非線性相關信息熵測度的目標約減方法。該算法採用非線性相關信息矩陣測量當前非支配種群來分析目標間線性和非線性相關關係，並採用一種簡單方法選取最矛盾的目標集合。本項目的成果解決超多目標最佳化研究中的一些基本問題；另一方面將提供求解超多目標最佳化問題的有效分解進化算法。
